Lead Scoring – Definition, Methoden und Praxiseinsatz

Lead Scoring (engl. „to score" = bewerten) ist ein systematisches Verfahren, bei dem jedem Lead im Rahmen des Lead Managements ein numerischer Punktwert – der sogenannte Score – zugewiesen wird. Dieser Score bildet ab, wie wahrscheinlich es ist, dass ein Kontakt in absehbarer Zeit eine Kaufentscheidung trifft, und damit, wie vertriebsreif er aktuell ist. Die Bewertung erfolgt typischerweise entlang zweier Dimensionen: zum einen nach der Profilqualität des Leads (demografische und firmografische Merkmale – passt der Kontakt zum Idealkunden?), zum anderen nach seiner Verhaltensaktivität (wie intensiv und wie relevant interagiert der Lead mit den Inhalten des Unternehmens?). Je höher der Gesamtscore, desto näher ist der Lead an einer Vertriebsübergabe. Erreicht ein Lead einen definierten Schwellenwert, wird er automatisch als Sales Qualified Lead (SQL) markiert und dem Vertrieb übergeben – ohne manuelle Prüfung jedes einzelnen Kontakts.

Ein Lead-Scoring-Modell kombiniert zwei grundlegende Kriterienkategorien, die zusammen ein vollständiges Bild der Kaufbereitschaft eines Leads ergeben:

• Explizite Kriterien (Profilscoring): Diese beschreiben, ob der Lead demografisch und firmografisch zum angestrebten Idealkunden passt. Im B2B gehören dazu: Unternehmensgröße, Branche, Jahresumsatz, Standort, Position der Kontaktperson (z. B. C-Level vs. Sachbearbeiter), Abteilung und eingesetzter Technologie-Stack. Im B2C sind es demografische Merkmale wie Alter, Wohnort oder Haushaltsgröße. Merkmale, die dem Ideal entsprechen, erhöhen den Score; unpassende Merkmale können ihn aktiv senken (negatives Scoring).
• Implizite Kriterien (Verhaltensscoring): Diese bilden das tatsächliche Interesse und die Kaufabsicht des Leads ab, abgeleitet aus seinem Verhalten. Typische Scoring-Signale: Anzahl und Art der Website-Besuche (Preisseite > Blogartikel), heruntergeladene Inhalte, geöffnete und angeklickte E-Mails, Webinar-Teilnahmen, Demo-Anfragen, Verweildauer auf Produktseiten oder Kontaktaufnahmen über den Chat.

Entscheidend ist die Gewichtung der einzelnen Kriterien: Nicht alle Signale sind gleich stark. Ein Demo-Request oder ein Besuch der Preisseite signalisiert deutlich mehr Kaufabsicht als das Öffnen eines allgemeinen Newsletters und sollte entsprechend deutlich höher bewertet werden. Die genauen Gewichtungen sollten regelmäßig auf Basis realer Abschlussdaten überprüft und angepasst werden.

Demografisches Scoring und verhaltensbasiertes Scoring beantworten grundlegend unterschiedliche Fragen – und erst zusammen ergeben sie ein vollständiges Bild der Vertriebsreife eines Leads:

• Demografisches / firmografisches Scoring beantwortet die Frage: Ist dieser Lead der richtige Typ von Kunde für uns? Es prüft, ob die statischen Merkmale des Leads – Unternehmensgröße, Branche, Position, Budget – dem Ideal Customer Profile (ICP) des Unternehmens entsprechen. Ein Lead mit perfektem demografischem Profil, aber ohne jede Verhaltensaktivität, ist eine theoretisch wertvolle, aber aktuell nicht kaufbereite Kontaktperson.
• Verhaltensbasiertes Scoring beantwortet die Frage: Ist dieser Lead gerade aktiv auf der Suche? Es wertet aus, welche konkreten Interaktionen der Lead in letzter Zeit hatte – und leitet daraus ab, in welcher Phase des Kaufprozesses er sich befindet. Ein Lead mit hohem Verhaltensscore, aber schlechtem demografischem Profil, zeigt Interesse – ist aber möglicherweise nicht die Zielperson oder kommt aus einem unpassenden Unternehmen.

Die Kombination beider Dimensionen in einer zweidimensionalen Scoring-Matrix ist der professionellste Ansatz: Nur Leads mit hohem demografischem UND hohem verhaltensbasiertem Score werden als SQL eingestuft und an den Vertrieb übergeben. Leads mit gutem Profil, aber geringer Aktivität, werden gezielt durch Nurturing-Maßnahmen entwickelt.

Negatives Lead Scoring bezeichnet die gezielte Reduzierung des Lead-Scores bei bestimmten Merkmalen oder Verhaltensweisen, die auf eine geringe Kaufwahrscheinlichkeit oder eine unpassende Zielgruppe hinweisen. Es verhindert, dass Leads mit irreführend hohen Scores den Vertrieb mit unqualifizierten Kontakten überfluten. Typische Auslöser für negativen Score:

• Unpassende demografische Merkmale: Studenten, Schüler oder Personen in Bildungseinrichtungen, die ein B2B-SaaS-Angebot testen, aber keine Kaufentscheidungsträger sind. Wettbewerber, die die eigene Website zu Recherchezwecken besuchen. Unternehmen, die deutlich außerhalb des Zielmarkts liegen.
• Inaktivität über einen definierten Zeitraum: Hat ein Lead über 90 oder 180 Tage keine einzige Interaktion gezeigt, sinkt seine Aktualität – der Score sollte zeitbasiert abgebaut werden (Score Decay), um veraltete Kaufsignale nicht dauerhaft hochzugewichten.
• Abmeldesignale: Ein Lead, der sich vom Newsletter abmeldet, auf einen Opt-out-Link klickt oder explizit „kein Interesse" signalisiert, sollte negativ bewertet und aus aktiven Nurturing-Strecken entfernt werden.
• Nutzung von Wegwerf-E-Mail-Adressen: Ein starkes Signal für niedrige Kontaktqualität, das den Score sofort stark reduzieren sollte.

Negatives Scoring ist besonders in Unternehmen mit hohem Lead-Volumen unverzichtbar, da es die Signalqualität des Gesamtmodells erheblich verbessert und den Vertrieb vor Zeitverschwendung durch irrelevante Kontakte schützt.

Es gibt zwei grundlegende Ansätze für Lead-Scoring-Modelle, die sich in Methodik, Aufwand und Präzision erheblich unterscheiden:

• Regelbasiertes Lead Scoring: Ein Mensch definiert manuell, welche Merkmale und Verhaltensweisen wie viele Punkte ergeben – z. B. „Preisseite besucht = +20 Punkte", „Position CEO = +15 Punkte", „E-Mail geöffnet = +3 Punkte". Dieses Modell ist transparent, schnell einzurichten und gut nachvollziehbar. Es basiert jedoch auf Annahmen und Erfahrungswerten – nicht auf statistischen Beweisen. Mit steigendem Datenvolumen und zunehmender Zielgruppenkomplexität stößt es an Grenzen.
• Prädiktives Lead Scoring (KI-basiert): Machine-Learning-Algorithmen analysieren historische Daten aus bereits abgeschlossenen Deals und identifizieren automatisch, welche Kombinationen von Merkmalen und Verhaltensweisen statistisch am stärksten mit einem Abschluss korrelieren. Das Modell erkennt Muster, die kein menschlicher Analyst finden würde – und passt sich kontinuierlich an neue Daten an. Das Ergebnis sind deutlich präzisere Score-Werte, besonders bei großen Lead-Volumina.

Die Wahl des Ansatzes hängt vom Datensatz ab: Für prädiktives Scoring werden typischerweise mindestens mehrere hundert historische Abschlüsse als Trainingsdaten benötigt. Unternehmen mit geringerem Volumen starten sinnvollerweise mit einem regelbasierten Modell und entwickeln es mit wachsender Datenbasis in Richtung prädiktives Scoring weiter. Viele Marketing-Automation-Plattformen wie HubSpot, Marketo oder Salesforce bieten heute prädiktive Scoring-Funktionen als integrierte Komponente an.

Lead Scoring ist ein mächtiges Instrument – wird es schlecht konfiguriert oder nicht gepflegt, schadet es mehr als es nützt. Die häufigsten Fehler in der Praxis:

• Zu viele Kriterien ohne klare Gewichtung: Wenn jede Kleinigkeit Punkte bringt, verliert der Score seine Aussagekraft. Ein schlankes Modell mit wenigen, dafür stark gewichteten Kaufsignalen übertrifft ein überladenes Modell mit 50 Kriterien regelmäßig.
• Kein Score Decay: Ein Lead, der vor einem Jahr intensiv Inhalte konsumiert hat, seitdem aber inaktiv ist, sollte keinen hohen Score mehr haben. Ohne zeitbasierte Score-Reduktion sammeln sich veraltete Kaufsignale an und verzerren die Priorisierung.
• Fehlendes Feedback vom Vertrieb: Wenn der Vertrieb nicht systematisch rückmeldert, welche übergebenen SQLs tatsächlich qualifiziert waren und welche nicht, kann das Modell nie lernen und verbessert sich nicht.
• Gleiches Modell für alle Zielgruppen: Unterschiedliche Branchen, Unternehmensgrößen oder Buyer Personas zeigen unterschiedliche Kaufmuster. Ein einziges Scoring-Modell für alle Segmente führt zwangsläufig zu Ungenauigkeiten.
• Score als alleinige Grundlage für die Vertriebsübergabe: Der Score ist ein Indikator, kein Urteil. Vertriebsmitarbeiter sollten den Score als Orientierung nutzen, aber immer noch den konkreten Kontext des Leads bewerten – besonders bei hohen Auftragswerten.
• Einmalige Einrichtung ohne Pflege: Lead-Scoring-Modelle müssen regelmäßig – mindestens quartalsweise – auf Basis realer Abschlussdaten überprüft und angepasst werden. Ein Modell, das vor zwei Jahren konfiguriert und seitdem nicht angefasst wurde, reflektiert nicht mehr die aktuelle Realität des Marktes.